分布式发电孤岛检测中的数据挖掘方法
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 课题背景及意义 | 第12-13页 |
| 1.2 数据挖掘技术概述 | 第13-14页 |
| 1.3 分布式发电系统中数据挖掘技术应用现状 | 第14-16页 |
| 1.4 本文的主要研究内容 | 第16-18页 |
| 第二章 智能电网信息系统与数据挖掘技术 | 第18-36页 |
| 2.1 智能电网海量信息采集与存储 | 第18-22页 |
| 2.1.1 智能电网海量信息的分类 | 第18页 |
| 2.1.3 智能电网海量信息预处理 | 第18-20页 |
| 2.1.4 技术路线 | 第20-22页 |
| 2.2 数据挖掘算法 | 第22-35页 |
| 2.2.1 聚类分析 | 第22-25页 |
| 2.2.2 主要算法 | 第25-27页 |
| 2.2.3 分类算法 | 第27-35页 |
| 2.3 本章小结 | 第35-36页 |
| 第三章 孤岛检测的关键特征识别及元学习方法 | 第36-59页 |
| 3.1 引言 | 第36-37页 |
| 3.2 特征判据提取与择优 | 第37-42页 |
| 3.2.1 稳态常规特征判据 | 第38页 |
| 3.2.2 多分辨率奇异熵的暂态特征判据 | 第38-40页 |
| 3.2.3 关键特征识别 | 第40-42页 |
| 3.3 元学习方法 | 第42-46页 |
| 3.3.1 归纳偏置现象 | 第42页 |
| 3.3.2 元学习综述 | 第42-46页 |
| 3.4 典型应用：分布式电源的孤岛检测 | 第46-58页 |
| 3.4.1 算例设计 | 第46-50页 |
| 3.4.2 确定关键特征判据 | 第50-53页 |
| 3.4.3 RELIEF 算法必要性验证 | 第53-56页 |
| 3.4.4 元学习策略 | 第56-58页 |
| 3.5 本章小结 | 第58-59页 |
| 第四章 孤岛检测中的概念漂移问题和在线自学习方法 | 第59-74页 |
| 4.1 引言 | 第59页 |
| 4.2 基本原理和问题 | 第59-60页 |
| 4.3 训练样本在线获取 | 第60-64页 |
| 4.3.1 基于 SCADA 的原始样本获取方法 | 第60-62页 |
| 4.3.2 基于聚类的样本采样方法 | 第62-64页 |
| 4.4 在线学习 | 第64-67页 |
| 4.4.1 概念漂移 | 第64页 |
| 4.4.2 在线集成策略 | 第64-67页 |
| 4.5 典型应用：概念漂移识别及孤岛分类 | 第67-72页 |
| 4.5.1 算例设计 | 第67-69页 |
| 4.5.2 加权集成优选样本策略验证 | 第69-72页 |
| 4.5.3 算法实时性 | 第72页 |
| 4.6 本章小结 | 第72-74页 |
| 第五章 总结和展望 | 第74-78页 |
| 5.1 工作总结 | 第74-75页 |
| 5.2 主要结论和贡献 | 第75-76页 |
| 5.3 展望 | 第76-78页 |
| 参考文献 | 第78-82页 |
| 致谢 | 第82-83页 |
| 攻读硕士学位期间已发表或录用的论文 | 第83-84页 |
| 附录 | 第84页 |
